一种燃气轮机传感器故障诊断方法及系统

1.本发明涉及动力工程技术领域，尤其是涉及一种基于奇异谱分析和双向长短时记忆网络的燃气轮机传感器故障诊断方法及系统。


背景技术：

2.在能源需求急剧增大以及我国提出双碳目标的背景下，综合能源系统目前在中国发展迅速。燃气轮机是综合能源系统中的关键设备，燃气轮机的智能化有利于实现综合能源系统的高效运行，提高资源的利用效率，从而有利于双碳目标实现。同时，为了提高燃气轮机的可靠性和可用性，需要对运行状态进行实时监测，并对运行工况进行准确控制，状态监测和控制系统工作依赖于正确的传感器数据。因此，传感器输出信号的正确性对保证燃气轮机可靠性和可用性至关重要。除此之外，传感器故障是燃气轮机在使用过程中频发的故障。开展燃机控制系统传感器故障诊断研究对于保障燃气轮机安全运行、实现双碳目标具有重要意义。
3.近年来深度学习在各个领域中得到了广泛应用，也被用于传感器故障诊断技术。基于深度学习的传感器故障诊断通常需要大量数据和带有标签的数据，以实现分类模型的训练，该类方法实现了较高精度的传感器故障诊断，但现有技术仍然未解决以下问题：1)故障数据稀疏性的影响：能源装备实际运行过程中，相较于正常数据，故障数据量稀少，因此发展基于数据驱动诊断方法必须考虑故障数据稀少对诊准确率的影响问题；2)故障幅度微弱性的影响：对于部分传感器，如燃气轮机透平出口温度传感器，由于燃烧室的燃烧振荡和透平的固定频率旋转，该传感器采集信号不可避免存在固有波动，很容易掩盖小幅故障信号，造成故障诊断准确率降低等问题，但该参数涉及多个控制回路必须提升其诊断精度。
4.综上，现有技术对传感器故障程度的敏感性仍有所欠缺，无法解决故障信号稀少和幅度微弱造成的传感器故障诊准确率降低的问题。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于奇异谱分析和双向长短时记忆网络的燃气轮机传感器故障诊断方法及系统。
6.本发明的目的可以通过以下技术方案来实现：
7.一种燃气轮机传感器故障诊断方法，包括以下步骤：获取信号数据集、构建带有注意力机制的深度双向长短时记忆网络作为分类模型、基于信号数据集对分类模型进行训练和故障诊断；
8.所述获取信号数据集具体如下：
9.采集燃气轮机传感器信号作为原始信号，使用定长度滑动时间窗在原始信号上截取固定长度的时间序列，得到多个原始信号时间序列，在原始信号时间序列上叠加不同的传感器故障，得到多个故障信号时间序列；使用奇异谱分析对原始信号时间序列和故障信号时间序列进行处理，保留处理后的趋势项和周期项，得到原始信号的趋势项和周期项以
及故障信号的趋势项和周期项；将原始信号的趋势项与周期项、故障信号的趋势项与周期项作为信号数据集中的样本；
10.所述故障诊断具体如下：
11.在待检测信号上截取固定长度的时间序列，得到待检测信号时间序列，使用奇异谱分析对待检测信号时间序列进行处理，得到待检测信号的趋势项和周期项，将待检测信号的趋势项和周期项输入分类模型，得到故障诊断结果。
12.进一步地，所述奇异谱分析包括以下步骤：
13.step1、构造轨迹矩阵，具体如下：
14.根据对于长度为n的信号时间序列x＝[x1,x2,
…
,xn]构建m
×
k阶轨迹矩阵x，其中，m为窗口长度，取值范围为1≤m≤n/2，k＝n-m 1，轨迹矩阵x每条副对角线值都相等，则轨迹矩阵x可以表示为：
[0015][0016]
其中，xi为迟滞序列，xi＝[xi,x
i 1
,
…
,x
i m-1
]
t
，1≤i≤k；
[0017]
step2、对轨迹矩阵进行奇异值分解，具体如下：
[0018]
对轨迹矩阵x进行奇异值分解，定义矩阵s＝x
·
x
t
，x
t
为x的转置矩阵；
[0019]
求得轨迹矩阵x的奇异值，n＝1,2,...,d，设d＝rank(x)；
[0020]
求解un为轨迹矩阵x的左奇异向量，vn为轨迹矩阵x的右奇异向量，轨迹矩阵轨迹可以分解与其结构相同的初等矩阵则轨迹矩阵x可以表示为
[0021]
x＝e1 e2 ... ed[0022]
step3、分组，具体如下：
[0023]
根据特征值贡献率将初等矩阵en划分为m个不相交的子集，所述m个不相交的子集至少包括趋势项f
t
和周期项f
p
，分组得到的子集为矩阵形式；
[0024]
step4、对角平均化，即将分组得到的m个不相交的子集转换为m组长度为n的重构序列，具体如下：
[0025]
计算迟滞序列xi在un上的投影：
[0026][0027]un,j
为un中的第j列，表示迟滞序列xi在un上的投影，称为时间主成分；
[0028]
通过时间经验正交函数和时间主成分来进行重构：
[0029][0030]
其中，k为根据特征值贡献率p确定的参数。
[0031]
进一步地，所述分类模型为8层深度网络，包括依次连接的输入层、双向长短时记忆网络层、长短时记忆网络层、双向长短时记忆网络层、注意力层、全连接层、softmax层和输出层，输入分类模型的信号序列依次经过双向长短时记忆网络层、长短时记忆网络层、双向长短时记忆网络层、注意力层、全连接层、softmax层后输出，其中：
[0032]
1)双向长短时记忆网络层由前向长短时记忆网络层和后向长短时记忆网络层组成，输入双向长短时记忆网络层的信号序列可以在前向和后向两个方向上进行处理，并且两个方向都有独立的隐含层，其中前向长短时记忆网络层从前至后输入信号序列，后向长短时记忆网络层从后至前输入信号序列，设x
t
为t时刻双向长短时记忆网络层的输入信号序列，则此过程生成两个隐含层表示如下所示：
[0033][0034][0035]
其中，分别为正向和反向x
t
与h
t
间的连接权重矩阵；分别为正向和反向h
t-1
与h
t
间的连接权重矩阵；
[0036]
连接前向长短时记忆网络层和后向长短时记忆网络层的信息得到双向长短时记忆网络层最终输出的信号序列，如下：
[0037][0038]
其中，分别为正向和反向h
t
与y
t
间的连接权重矩阵；
[0039]
2)设x
t
为t时刻长短时记忆网络层的输入信号序列，则长短时记忆网络层的神经元内部的信息传递过程如下：
[0040]it
＝σ(w
xi
x
t
w
hiht-1
w
cict-1
bi)
[0041]ft
＝σ(w
xf
x
t
w
hfht-1
w
cfct-1
bf)
[0042]ct
＝f
tct-1
i
t
tanh(w
xc
x
t
w
hcht-1
bc)
[0043]ot
＝σ(w
xo
x
t
w
hoht-1
w
coct
bo)
[0044]ht
＝o
t
tan(c
t
)
[0045]
其中，i
t
、f
t
、o
t
分别为输入门、遗忘门和输出门的信息；w
xi
、w
hi
、w
xf
、w
hf
、w
xo
、w
ho
分别为输入门、遗忘门和输出门与h
t-1
、x
t
的链接权重矩阵；bi、bf、bo分别为输入门、遗忘门和输出门的偏置向量；c
t-1
和c
t
分别为t-1时刻和t时刻输入输入状态单元的信息；w
xc
、w
hc
为c
t
与h
t-1
、x
t
的链接权重矩阵；bo为c
t
的偏置向量；σ为sigmod函数；tanh为双曲正切函数；
[0046]
3)信号序列经过最后一层双向长短时记忆网络后输入至注意力层，注意力层为双向长短时记忆网络层输出的信号序列中的每个特征分量分配一个权重，最终生成输出向量ft
，如下所示：
[0047]y′
t
＝tanh(wy
t
b)
[0048][0049]ft
＝∑α
tyt
[0050]
其中，y
′
t
表示双向长短时记忆网络层输出y
t
的编码表示，t为y
′
t
的长度，w表示注意力层权重，b表示注意力层偏置参数；uw表示上下文向量；αc表示注意力分数。
[0051]
进一步地，所述传感器故障包括偏置故障、单值脉冲故障、漂移故障、周期性故障、噪声故障和短路故障。
[0052]
进一步地，叠加的传感器故障为微小故障，故障信号的故障程度在3％～10％之间。
[0053]
进一步地，将信号数据集划分为训练集、验证集和测试集，基于训练集、验证集和测试集得到训练好的分类模型。
[0054]
进一步地，所述训练集、验证集和测试集为不平衡的数据集，其中正常信号样本和各类故障信号比例为10:3。
[0055]
一种燃气轮机传感器故障诊断系统，包括数据获取模块、数据处理模块、奇异谱分析模块和分类模块；
[0056]
所述数据获取模块用于采集燃气轮机传感器的待检测信号；
[0057]
所述数据处理模块用于在待检测信号上截取固定长度的时间序列，得到待检测信号时间序列；
[0058]
所述奇异谱分析模块用于使用奇异谱分析对待检测信号时间序列进行处理，得到待检测信号的趋势项和周期项；
[0059]
所述分类模块搭载有训练好的分类模型，用于将待检测信号的趋势项和周期项输入分类模型，得到分类结果作为故障诊断结果；
[0060]
所述分类模型的训练过程包括以下步骤：获取信号数据集、构建带有注意力机制的深度双向长短时记忆网络作为分类模型、基于信号数据集对分类模型进行训练；
[0061]
所述获取信号数据集具体如下：
[0062]
采集燃气轮机传感器信号作为原始信号，使用定长度滑动时间窗在原始信号上截取固定长度的时间序列，得到多个原始信号时间序列，在原始信号时间序列上叠加不同的传感器故障，得到多个故障信号时间序列；使用奇异谱分析对原始信号时间序列和故障信号时间序列进行处理，保留处理后的趋势项和周期项，得到原始信号的趋势项和周期项以及故障信号的趋势项和周期项；将原始信号的趋势项与周期项、故障信号的趋势项与周期项作为信号数据集中的样本。
[0063]
进一步地，所述奇异谱分析包括以下步骤：
[0064]
step1、构造轨迹矩阵，具体如下：
[0065]
根据对于长度为n的信号时间序列x＝[x1,x2,
…
,xn]构建m
×
k阶轨迹矩阵x，其中，m为窗口长度，取值范围为1≤m≤n/2，k＝n-m 1，轨迹矩阵x每条副对角线值都相等，则轨迹矩阵x可以表示为：
[0066][0067]
其中，xi为迟滞序列，xi＝[xi,x
i 1
,
…
,x
i m-1
]
t
，1≤i≤k；
[0068]
step2、对轨迹矩阵进行奇异值分解，具体如下：
[0069]
对轨迹矩阵x进行奇异值分解，定义矩阵s＝x
·
x
t
，x
t
为x的转置矩阵；
[0070]
求得轨迹矩阵x的奇异值，n＝1,2,...,d，设d＝rank(x)；
[0071]
求解un为轨迹矩阵x的左奇异向量，vn为轨迹矩阵x的右奇异向量，轨迹矩阵轨迹可以分解与其结构相同的初等矩阵则轨迹矩阵x可以表示为
[0072]
x＝e1 e2 ... ed[0073]
step3、分组，具体如下：
[0074]
根据特征值贡献率将初等矩阵en划分为m个不相交的子集，所述m个不相交的子集至少包括趋势项f
t
和周期项f
p
，分组得到的子集为矩阵形式；
[0075]
step4、对角平均化，即将分组得到的m个不相交的子集转换为m组长度为n的重构序列，具体如下：
[0076]
计算迟滞序列xi在un上的投影：
[0077][0078]un,j
为un中的第j列，表示迟滞序列xi在un上的投影，称为时间主成分；
[0079]
通过时间经验正交函数和时间主成分来进行重构：
[0080][0081]
其中，k为根据特征值贡献率p确定的参数。
[0082]
进一步地，所述分类模型为8层深度网络，包括依次连接的输入层、双向长短时记忆网络层、长短时记忆网络层、双向长短时记忆网络层、注意力层、全连接层、softmax层和输出层，输入分类模型的信号序列依次经过双向长短时记忆网络层、长短时记忆网络层、双向长短时记忆网络层、注意力层、全连接层、softmax层后输出，其中：
[0083]
1)双向长短时记忆网络层由前向长短时记忆网络层和后向长短时记忆网络层组成，输入双向长短时记忆网络层的信号序列可以在前向和后向两个方向上进行处理，并且两个方向都有独立的隐含层，其中前向长短时记忆网络层从前至后输入信号序列，后向长短时记忆网络层从后至前输入信号序列，设x
t
为t时刻双向长短时记忆网络层的输入信号序列，则此过程生成两个隐含层表示如下所示：
[0084][0085][0086]
其中，分别为正向和反向x
t
与h
t
间的连接权重矩阵；分别为正向和反向h
t-1
与h
t
间的连接权重矩阵；
[0087]
连接前向长短时记忆网络层和后向长短时记忆网络层的信息得到双向长短时记忆网络层最终输出的信号序列，如下：
[0088][0089]
其中，分别为正向和反向h
t
与y
t
间的连接权重矩阵；
[0090]
2)设x
t
为t时刻长短时记忆网络层的输入信号序列，则长短时记忆网络层的神经元内部的信息传递过程如下：
[0091]it
＝σ(w
xi
x
t
w
hiht-1
w
cict-1
bi)
[0092]ft
＝σ(w
xf
x
t
w
hfht-1
w
cfct-1
bf)
[0093]ct
＝f
tct-1
i
t
tanh(w
xc
x
t
w
hcht-1
bc)
[0094]ot
＝σ(w
xo
x
t
w
hoht-1
w
coct
bo)
[0095]ht
＝o
t
tanh(c
t
)
[0096]
其中，i
t
、f
t
、o
t
分别为输入门、遗忘门和输出门的信息；w
xi
、w
hi
、w
xf
、w
hf
、w
xo
、w
ho
分别为输入门、遗忘门和输出门与h
t-1
、x
t
的链接权重矩阵；bi、bf、bo分别为输入门、遗忘门和输出门的偏置向量；c
t-1
和c
t
分别为t-1时刻和t时刻输入输入状态单元的信息；w
xc
、w
hc
为c
t
与h
t-1
、x
t
的链接权重矩阵；bo为c
t
的偏置向量；σ为sigmod函数；tanh为双曲正切函数；
[0097]
3)信号序列经过最后一层双向长短时记忆网络后输入至注意力层，注意力层为双向长短时记忆网络层输出的信号序列中的每个特征分量分配一个权重，最终生成输出向量f
t
，如下所示：
[0098]y′
t
＝tanh(wy
t
b)
[0099][0100]ft
＝∑α
tyt
[0101]
其中，y
′
t
表示双向长短时记忆网络层输出y
t
的编码表示，t为y
′
t
的长度，w表示注意力层权重，b表示注意力层偏置参数；uw表示上下文向量；αc表示注意力分数。
[0102]
与现有技术相比，本发明具有以下有益效果：
[0103]
(1)利用时间上的先验知识，设计了一种基于奇异谱分析和双向长短时记忆网络的方法，该技术提高了故障诊断的准确率，准确率可达到96％以上。
[0104]
(2)本技术在正常信号上叠加小幅故障，将信号数据集设计为不平衡数据集，解决了故障数据稀少和故障幅度微弱对故障诊断准确率的影响，能有效处理故障数据稀疏的不平衡数据集，高精确度诊断出数据量稀少的6种故障信号；该技术能够有效的获取小幅度故障的信号特征，对于小幅度偏置故障、周期性故障和噪声故障的识别在精确度可达100％。
[0105]
(3)通过奇异谱分析将信号分解为更符合信号大体变化趋势的趋势项和能反映故障细节的周期项，使用带注意力的双向长短时记忆网络能更好地捕获重点特征的信息表
达，依靠奇异谱分析和分类模型进行信号的特征提取，特征提取效果更好，能够更有效的针对时间序列数据提取时序信息，更有效地针对传感器信号此类时间序列的故障诊断。
附图说明
[0106]
图1为燃气轮机传感器故障诊断方法的流程图；
[0107]
图2为分类模型的原理图。
具体实施方式
[0108]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例，本发明的保护范围不限于下述的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0109]
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0110]
本说明书提供了如实施例或流程示意图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)或者调整没有时序限制的步骤的执行顺序。
[0111]
实施例1：
[0112]
9f级燃气轮机是具有代表性的燃气轮机型号，因此本发明实施例以9f级燃气轮机透平出口温度传感器信号为例进行讲解。
[0113]
一种燃气轮机传感器故障诊断方法，如图1所示，包括以下步骤：
[0114]
步骤(1)：获取信号数据集，具体如下：
[0115]
步骤1.1：采集燃气轮机传感器信号，即采集正常工况下9f级燃气轮机透平出口温度传感器信号，得到原始信号，使用定长度滑动时间窗在原始信号上截取固定长度的时间序列，得到多个原始信号时间序列，在原始信号时间序列上叠加不同的传感器故障，得到多个故障信号时间序列；
[0116]
本实施例中，采集自燃气轮机的透平出口温度数据作为实验数据的原始信号(也称正常信号)来源，在此基础上制作本技术所需信号数据集。其他实施方式中，也可以获取公开数据集等制作信号数据集。
[0117]
滑动时间窗的长度设置为100，在原始信号上随机选取一段长度为100的信号为原始信号时间序列，然后生成偏置故障、单值脉冲故障、漂移故障、周期性故障、噪声故障和短
路故障等信号，同时将故障程度设置为3％-10％的小幅故障，叠加在原始信号时间序列上，得到故障信号时间序列。可以理解的是，一个原始信号时间序列可以叠加不同的故障得到多个故障信号时间序列。
[0118]
步骤1.2：使用奇异谱分析对原始信号时间序列和故障信号时间序列进行处理，保留处理后的趋势项和周期项，得到原始信号的趋势项和周期项以及故障信号的趋势项和周期项；奇异谱分析包括以下步骤：
[0119]
step1、构造轨迹矩阵，具体如下：
[0120]
根据对于长度为n的信号时间序列x＝[x1,x2,
…
,xn]构建m
×
k阶轨迹矩阵x，其中，m为窗口长度，取值范围为1≤m≤n/2，k＝n-m 1，轨迹矩阵x每条副对角线值都相等，则轨迹矩阵x可以表示为：
[0121][0122]
其中，xi为迟滞序列，xi＝[xi,x
i 1
,
…
,x
i m-1
]
t
，1≤i≤k；
[0123]
step2、对轨迹矩阵进行奇异值分解，具体如下：
[0124]
对轨迹矩阵x进行奇异值分解，定义矩阵s＝x
·
x
t
，x
t
为x的转置矩阵；
[0125]
求得轨迹矩阵x的奇异值，n＝1,2,...,d，设d＝rank(x)；
[0126]
求解un为轨迹矩阵x的左奇异向量，vn为轨迹矩阵x的右奇异向量，轨迹矩阵轨迹可以分解与其结构相同的初等矩阵则轨迹矩阵x可以表示为
[0127]
x＝e1 e2 ... ed[0128]
step3、分组，具体如下：
[0129]
根据特征值贡献率将初等矩阵en划分为m个不相交的子集，m个不相交的子集至少包括趋势项f
t
和周期项f
p
，分组得到的子集为矩阵形式，本实施例中，将初等矩阵en划分为趋势项f
t
、周期项f
p
和残差项fr三个子集；
[0130]
step4、对角平均化，即将分组得到的矩阵进行重构，将m个不相交的子集转换为m组长度为n的重构序列，具体如下：
[0131]
计算迟滞序列xi在un上的投影：
[0132][0133]un,j
为un中的第j列，表示迟滞序列xi在un上的投影，称为时间主成分；
[0134]
通过时间经验正交函数和时间主成分来进行重构：
[0135][0136]
其中，k为根据特征值贡献率p确定的参数。
[0137]
经过上述步骤step1～step4，对信号时间序列进行了奇异谱分析，将信号分解为更符合信号大体变化趋势的趋势项和能反映故障细节的周期项，将两项信号作为时间序列输入后续分类模型中进行分类。
[0138]
步骤1.3：将原始信号的趋势项与周期项、故障信号的趋势项与周期项作为信号数据集中的样本；为了模拟燃气轮机实际运行中故障信号稀疏的情况，信号数据集中正常信号的数量需远大于故障信号。本实施例中，设置1000组正常样本及300组故障样本。将信号数据集中的20％的样本作为测试集，其余80％的样本使用5折交叉验证进行模型训练。
[0139]
步骤(2)：构建带有注意力机制的深度双向长短时记忆网络作为分类模型，本技术中，如图2所示，分类模型为8层深度网络，包括依次连接的输入层、双向长短时记忆网络层、长短时记忆网络层、双向长短时记忆网络层、注意力层、全连接层、softmax层和输出层，输入分类模型的信号序列依次经过双向长短时记忆网络层、长短时记忆网络层、双向长短时记忆网络层、注意力层、全连接层、softmax层后输出，其中：
[0140]
1)双向长短时记忆网络层由前向长短时记忆网络层和后向长短时记忆网络层组成，输入双向长短时记忆网络层的信号序列可以在前向和后向两个方向上进行处理，并且两个方向都有独立的隐含层，其中前向长短时记忆网络层从前至后输入信号序列，后向长短时记忆网络层从后至前输入信号序列，设x
t
为t时刻双向长短时记忆网络层的输入信号序列，则此过程生成两个隐含层表示如下所示：
[0141][0142][0143]
其中，分别为正向和反向x
t
与h
t
间的连接权重矩阵；分别为正向和反向h
t-1
与h
t
间的连接权重矩阵；
[0144]
连接前向长短时记忆网络层和后向长短时记忆网络层的信息得到双向长短时记忆网络层最终输出的信号序列，如下：
[0145][0146]
其中，分别为正向和反向h
t
与y
t
间的连接权重矩阵；
[0147]
2)设x
t
为t时刻长短时记忆网络层的输入信号序列，则长短时记忆网络层的神经元内部的信息传递过程如下：
[0148]it
＝σ(w
xi
x
t
w
hiht-1
w
cict-1
bi)
[0149]ft
＝σ(w
xf
x
t
w
hfht-1
w
cfct-1
bf)
[0150]ct
＝f
tct-1
i
t
tanh(w
xc
x
t
w
hcht-1
bc)
[0151]ot
＝σ(w
xo
x
t
w
hoht-1
w
coct
bo)
[0152]ht
＝o
t
tanh(c
t
)
[0153]
其中，i
t
、f
t
、o
t
分别为输入门、遗忘门和输出门的信息；w
xi
、w
hi
、w
xf
、w
hf
、w
xo
、w
ho
分别为输入门、遗忘门和输出门与h
t-1
、x
t
的链接权重矩阵；bi、bf、bo分别为输入门、遗忘门和输出门的偏置向量；c
t-1
和c
t
分别为t-1时刻和t时刻输入输入状态单元的信息；w
xc
、w
hc
为c
t
与h
t-1
、x
t
的链接权重矩阵；bo为c
t
的偏置向量；σ为sigmod函数；tanh为双曲正切函数；
[0154]
3)信号序列经过最后一层双向长短时记忆网络后输入至注意力层，注意力层为双向长短时记忆网络层输出的信号序列中的每个特征分量分配一个权重，最终生成输出向量f
t
，如下所示：
[0155]y′
t
＝tanh(wy
t
b)
[0156][0157]fi
＝∑α
tyt
[0158]
其中，y
′
t
表示双向长短时记忆网络层输出y
t
的编码表示，t为y
′
t
的长度，w表示注意力层权重，b表示注意力层偏置参数；uw表示上下文向量；αc表示注意力分数。
[0159]
步骤(3)：基于信号数据集对分类模型进行训练；
[0160]
将信号数据集划分为训练集、验证集和测试集，基于训练集、验证集和测试集得到训练好的分类模型，使用训练集对分类模型进行训练，使用验证集进行验证，使用测试集进行测试。本实施例中，为了模拟燃气轮机实际运行中故障信号稀疏的情况，训练集、验证集和测试集均为不平衡的数据集，其中正常信号样本和各类故障信号比例为10:3。
[0161]
步骤(4)：故障诊断，具体如下：
[0162]
在待检测信号上截取固定长度的时间序列，得到待检测信号时间序列，使用奇异谱分析对待检测信号时间序列进行处理，得到待检测信号的趋势项和周期项，将待检测信号的趋势项和周期项输入分类模型，得到故障诊断结果，故障诊断结果包括正常信号、偏置故障、单值脉冲故障、漂移故障、周期性故障、噪声故障和短路故障。
[0163]
本发明提供了一种可供燃气轮机使用的、能够解决故障数据稀少及故障幅度较小情况下传感器故障诊断问题的数据驱动方法。本发明利用信号处理方法与深度学习方法的组合，利用奇异谱分析对传感器信号进行预处理，然后使用带有注意力机制的深度双向长短时记忆网络进行特征提取和分类。使用历史燃气轮机传感器信号进行算法的训练、验证和测试，得到训练好的分类模型；将待检测的燃气轮机传感器信号输入训练后的模型，获得诊断结果。
[0164]
实施例2：
[0165]
一种燃气轮机传感器故障诊断系统，包括数据获取模块、数据处理模块、奇异谱分析模块和分类模块；
[0166]
数据获取模块用于采集燃气轮机传感器的待检测信号；
[0167]
数据处理模块用于在待检测信号上截取固定长度的时间序列，得到待检测信号时间序列；
[0168]
奇异谱分析模块用于使用奇异谱分析对待检测信号时间序列进行处理，得到待检测信号的趋势项和周期项；
[0169]
分类模块搭载有训练好的分类模型，用于将待检测信号的趋势项和周期项输入分类模型，得到分类结果作为故障诊断结果；
[0170]
分类模型的训练过程包括以下步骤：获取信号数据集、构建带有注意力机制的深度双向长短时记忆网络作为分类模型、基于信号数据集对分类模型进行训练，其中分类模型的具体结构以及训练过程和故障诊断过程同实施例1；
[0171]
获取信号数据集具体如下：
[0172]
采集燃气轮机传感器信号作为原始信号，使用定长度滑动时间窗在原始信号上截取固定长度的时间序列，得到多个原始信号时间序列，在原始信号时间序列上叠加不同的传感器故障，得到多个故障信号时间序列；使用奇异谱分析对原始信号时间序列和故障信号时间序列进行处理，保留处理后的趋势项和周期项，得到原始信号的趋势项和周期项以及故障信号的趋势项和周期项；将原始信号的趋势项与周期项、故障信号的趋势项与周期项作为信号数据集中的样本。其中，奇异谱分析的具体内容同实施例1。
[0173]
需要注意的是，本技术可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本技术的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本技术的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本技术的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
[0174]
另外，本技术的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本技术的方法和/或技术方案。而调用本技术的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本技术的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本技术的多个实施例的方法和/或技术方案。
[0175]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。